Zenn
🚀

【実践】AI駆動開発を10倍快適にする完全ガイド

に公開
AI
GitHub
Model Context Protocol
Cursor
開発効率
idea

【実践】AI駆動開発を10倍快適にする完全ガイド

はじめに

AI駆動開発でこんな経験はありませんか？

  • AIがどんどん暴走して、わけがわからなくなる
  • 頭もソースコードもスパゲッティ状態になる
  • 同じエラーを何度も繰り返す
  • 何をしているのかわからなくなる

本記事では、これらの問題を解決するための実践的な4つのアプローチを詳しく解説します。

📖 詳細版Web記事: AI駆動開発完全ガイド

解決すべき4つの問題

  1. Cursorが何度も同じミスをしてうざい
  2. Cursorが書いたコードがカオスになって訳がわからない
  3. Cursorがライブラリの最新仕様を理解していない
  4. Cursorにもっと機能が欲しい（WebサーチやGitHubアクセスなど）

解決策：4つのアプローチ

1. ルール改善のサイクルを作る

問題：何度も同じミスをしてしまう

解決策: 「最強のルール」を探すのではなく、使えば使うほど改善する仕組みを作る

AIエージェントのルール構造

Cursorの場合：

  • ユーザールール: 全プロジェクト共通のルール
  • プロジェクトルール: プロジェクト固有のルール（.cursorrulesで編集可能）

推奨ルール構造

├── General（一般）
├── Environment（開発環境）
├── Implementation（実装）
├── GitHub（GitHub運用）
└── Requirements（要件定義）

Generalには各ルールの場所と内容を記載し、AIエージェントが必要に応じて追加のルールを参照する仕組みを構築。

ルール改善サイクル（ルールOps）

  1. 指示理解 → コード実行
  2. エラーや問題の発生
  3. フィードバック（人間が与える or AI自身が内省）
  4. ルール更新（頻出問題と解決策を整理）
  5. 次の指示待ち

実装例

## 知見蓄積のサイクル
ユーザーとのやり取りを通して、他の場面でも発生している問題が解決できた場合や効率改善策を得た場合は、必ず回答の最後に知見をまとめ、ルール更新の提案をすること。

### 学習した失敗例
- 仮想環境を使用せずにグローバルインストールしてしまう問題
- コード実行時の環境設定ミス
- 削除操作での確認不足

### 効率的な処理方法
- プロジェクト固有の設定管理
- エラーハンドリングのベストプラクティス

2. Issueによる開発管理

問題：コードがカオスになって訳がわからない

解決策: チャットの中だけで作業を完結させず、PDCAサイクルを回す

失敗パターン

❌ 「こういうアプリ作って」 → すぐコード実行 → 無限デバッグ

推奨パターン

✅ Plan → Do → Check → Action のサイクル

GitHub Issue管理の活用

なぜIssueが良いのか？

  • 状態管理: Open/Closed でステータス管理
  • スレッド形式: 議論の流れを追跡可能
  • 履歴保持: 後から振り返り可能
  • モバイル対応: 電車内でもレビュー可能

実践的な流れ

Issue作成例

## WebUI機能実装

### 実装内容
- [ ] ユーザー認証機能
- [ ] データ表示機能  
- [ ] 検索機能

### テストケース
1. **正常系**: 正しい認証情報でログイン成功
2. **異常系**: 不正な認証情報でエラー表示
3. **境界値**: 検索結果0件時の表示確認

### 成功条件
- 全テストケースが通過
- レスポンス時間が3秒以内
- UIが仕様書通りに表示

GitHub MCP導入

設定方法:

  1. GitHub MCPをインストール
  2. 認証設定
  3. Cursorから直接Issue操作が可能

メリット:

  • コード全体を汚すことなく管理
  • 自動でのステータス更新
  • チーム開発時の情報共有

3. Docsをフル活用する

問題：ライブラリの最新仕様を理解していない

解決策: Cursorの**@マーク機能**でドキュメントを参照

Cursorのドキュメント機能

@マークを押すと:

  • 使用ライブラリのドキュメントが表示
  • 外部リンクの登録が可能
  • 最新の仕様を優先的に参照

登録推奨ドキュメント

ライブラリ系:

  • LangChain
  • React
  • pytest
  • UV（仮想環境管理）
  • Plotly

開発手法系:

  • TDD（テスト駆動開発）の解説記事
  • Python PEP（コーディング規約）
  • 特定フレームワークのベストプラクティス

設定方法

1. @マークをクリック
2. "Add Documentation"を選択
3. 名前とURLを入力
4. プレフィックス設定（通常はURLと同じ）

活用例:

# 登録例
- 名前: "LangChain Official Docs"
- URL: "https://python.langchain.com/"
- プレフィックス: "https://python.langchain.com/"

4. MCPを使う

問題：AIエージェントに足りない機能がある

解決策: **MCP（Model Context Protocol）**で外部システムと連携

MCPとは

Model Context Protocol

  • AIエージェントアプリと外部システムを連携するプロトコル
  • Cursor、Claude、その他AIエディタで利用可能
  • カスタム機能の実装が容易

MCP構成

実装例：Web検索MCP

FastMCPを使用した簡単な実装：

from fastmcp import FastMCP

app = FastMCP("Web Search MCP")

@app.tool()
def web_search(query: str) -> str:
    """Web検索を実行"""
    # Gemini APIを使用した検索処理
    result = gemini_search(query)
    return result

if __name__ == "__main__":
    app.run()

開発時間

実装時間: 約40分で基本機能が完成

MCPの活用メリット

  • 必要な時だけ実行: エージェントが判断して機能を呼び出す
  • 簡単な実装: FastAPIライクな記述で作成可能
  • 豊富な機能追加: WebサーチからGitHub操作まで幅広く対応

実践のポイント

1. 段階的な改善

❌ 完璧なルールを一度で作る
✅ 使いながら徐々に改善していく

2. 知識の必要性

完全に知らない技術をAIだけで習得するのは困難
→ 一定のドメイン知識は必要

3. ローカルAIエディタの強み

Web系サービスとの違い:

  • ルールの自由な編集
  • 複数ファイルでの管理
  • 独自コンテキストの保持

4. 継続的な改善

ルールOpsの考え方:

  • 問題発生 → 解決 → 知見蓄積 → ルール更新
  • 使えば使うほど自分向けにカスタマイズ

まとめ

AI駆動開発を快適にする4つのアプローチ：

  1. ルール改善のサイクル - 完璧を目指さず、改善の仕組みを作る
  2. Issue管理 - PDCAサイクルでスパゲッティコードを防ぐ
  3. ドキュメント活用 - @機能で最新仕様を参照
  4. MCP導入 - 外部システム連携で機能拡張

これらの手法を組み合わせることで、AIエージェントとの協働がより効率的で快適になります。

参考リンク

この記事は「数理の弾丸⚡️京大博士のAI解説」チャンネルの動画内容を完全に文書化したものです。


Zenn投稿用のMarkdown形式で作成いたしました！📚

## 🎯 作成した記事の特徴

✅ **Zenn最適化**: 適切なフロントマター、絵文字、topics設定  
✅ **視覚的構成**: Mermaid図表、コードブロック、引用を活用  
✅ **完全な内容**: 動画の35分間を省略なく構造化  
✅ **実践的**: 具体的な設定方法とサンプルコードを含む  
✅ **リンク完備**: 作成したWebページへのリンクも含む  

この記事をそのままZennに投稿していただけます。動画の内容を検索可能で参照しやすい形式にまとめ、AI駆動開発の実践的な改善手法を体系的に学べる資料となっています！

Discussion